交互项回归时去中心化处理

1. 如何解释方程中的交互项

交互项 – 一般需要经过标准化处理(减均值,除方差)。好处可以使预测方差减小,同时使不同变量在同样的尺度下产生交集。其经济含义为并集的额外解释能力

2. 怎么进行去中心化处理

根据侯杰泰的话：所谓中心化， 是指变量减去它的均值（即数学期望值）。对于样本数据，将一个变量的每个观测值减去该变量的样本平均值，变换后的变量就是中心化的。
对于你的问题，应是每个测量值减去均值。

3. 层次回归中交互项如何算的

将自变量和调节变量中心化之后用中心化的值相乘 得到一个新的变量（即交互项的乘积） 然后再放入回归；
中心化有几种方法，这里介绍最常用的两种，一种是减去平均值，一种是z分数。
减去平均值：先进行一个description统计，得到描述性统计结果，有平均数和标准差。然后使用compute命令，新建一个变量=原变量-平均数。
z分数，和上面的结果差不多，只不过在新变量的基础之上除以标准差，得到一个分数。

4. 数据，交互变量一定要去中心化吗

不一定，中心化处理只不过是为了方便解释而已，并不影响各项回归系数。（南心网 调节效应中心化处理）

5. 在回归分析中什么是交叉变量或者叫交互项（interaction terms）它有什么作用

交互项系数衡量的是一个变量对于“另一个变量对因变量影响能力”的影响，通常X1是mmy，比如X1是男女，X是智商，因变量是收入，其系数衡量的是智商对于提高收入的作用的性别差异

6. 回归方程中交互项的作用

（1）如果解释变量的边际效应不是常数，此时可考虑引入交互项，使得某解释变量的边际效应依赖于另一解释变量。当然，也可以考虑加入平方项（仍可通过求偏导数来解释其经济含义）。

（2）如果真实模型（true model）为包含交互项的非线性模型，则简单的线性模型将遗漏此交互项，从而导致“遗漏变量偏差”（omitted variable bias）：

（3）通常线性模型所说的“故事”（story）过于简单，可能文献中早已做过。而如果在模型中加入交互项，则会使得你的故事变得更为深入而微妙。

(6)交互项回归时去中心化处理扩展阅读

具有两个预测变量（x1和x2）之间的相互作用的多元线性回归方程可以写成如下：

y = b0 + b1*x1 + b2*x2 + b3*(x1*x2)

考虑到我们的例子，它变成：

sales = b0 + b1*youtube + b2*facebook + b3*(youtube*facebook)

这也可以写成：

sales = b0 + (b1 + b3*facebook)*youtube + b2*facebook

或作为：

sales = b0 + b1*youtube + (b2 +b3*youtube)*facebook

b3可以解释为YouTube广告中单位增加的YouTube广告效果的增加（反之亦然）。

7. spss做回归都需要中心化吗

1、因变量不需要做中心化转换；
2、第一步是自变量进入回归方程；第二步是自变量和调节变量一起进入；第三步是自变量、调节变量、交互项一起进入；
3、将调节变量分成高低组,做自变量与因变量的回归分析,再比较高低组自变量对因变量的影响系数大小,进行斜率检验.

8. 线性回归中做中心化处理的话是不是要把所有的变量都做

数据中心化和标准化在回归分析中的意义是取消由于量纲不同、自身变异或者数值相差较大所引起的误差。数据标准化是指：数值减去均值，再除以标准差；所谓中心化，是指变量减去它的均值。